P:
Zašto je učenje pod nadzorom koristan model za strojno učenje?
A:Polu-nadzirano učenje važan je dio procesa strojnog učenja i dubokog učenja, jer na značajan način proširuje i unapređuje mogućnosti sustava strojnog učenja.
Prvo, u današnjoj industriji strojnog učenja nastala su dva modela za obučavanje računala: oni se nazivaju nadzirano i nenadzirano učenje. Bitno se razlikuju po tome što nadzirano učenje uključuje upotrebu označenih podataka za zaključivanje rezultata, a nekontrolirano učenje uključuje ekstrapoliranje iz neobilježenih podataka kroz ispitivanje svojstava svakog predmeta u skupu podataka o treningu.
| Besplatno preuzimanje: Strojno učenje i zašto je to važno |
Stručnjaci to objašnjavaju primjenom mnogih različitih primjera: Bez obzira jesu li predmeti u setu za trening voće ili obojeni oblici ili računi klijenta, zajedničko je učenje pod nadzorom da tehnologija započinje znanjem o tim objektima - primarne klasifikacije su već napravljene, Suprotno tome, u učenju bez nadzora, tehnologija gleda na još nedefinirane predmete i klasificira ih prema vlastitoj uporabi kriterija. To se ponekad naziva i "samo učenje".
To je, dakle, osnovna korisnost učenja pod nadzorom: kombinira uporabu označenih i neobilježenih podataka za postizanje "najboljeg od oba" pristupa.
Nadzirano učenje tehnologiji pruža više smjera za kretanje, ali može biti skupo, naporno, zamorno i zahtijevati mnogo više truda. Učenje bez nadzora je više "automatizirano", ali rezultati mogu biti puno manje točni.
Dakle, u korištenju skupa označenih podataka (često manjeg skupa u velikoj shemi stvari), pristup pod nadzorom učenja učinkovito "priprema" sustav za bolju klasifikaciju. Na primjer, pretpostavimo da sustav strojnog učenja pokušava identificirati 100 predmeta prema binarnim kriterijima (crna na bijelo). Može biti vrlo korisno samo imati jedan označeni primjerak svake (jedan bijeli, jedan crni), a zatim skupiti preostale „sive“ stavke prema onome koji je kriterij najbolji. Čim se ta dva predmeta označe, učenje bez nadzora postaje učenje pod nadzorom.
U usmjeravanju učenja pod nadzorom inženjeri pažljivo promatraju granice odlučivanja koja utječu na sustave strojnog učenja kako bi se ocijenili kao jedan ili drugi označeni rezultat prilikom ocjenjivanja neobilježenih podataka. Razmišljat će o tome kako najbolje koristiti učenje pod nadzorom u bilo kojoj implementaciji: Na primjer, algoritam učenja koji se nalazi pod nadzorom može se „omotati“ postojećim algoritmom nepokretanja za pristup „jedan-dva“.
Polu-nadzirano učenje kao fenomen zasigurno će pomaknuti granice strojnog učenja naprijed, jer otvara sve vrste novih mogućnosti za učinkovitije i učinkovitije strojne sustave učenja.
